结合残差网络与多级分块结构的步态识别方法

针对步态识别中由于衣着与背包的遮挡造成不能提取有鉴别性的步态特征,从而导致识别准确率不高的问题,提出一 种结合残差网络和多级分块结构的步态识别方法。 首先在水平方向上对步态能量图进行不同尺度的多级分块,以提取不同区 域的细粒度特征,减少局部遮挡对于其他区域的影响,同时为了更好地学习在步态中运动频率最高区域的特征,在腿部加入 Inception 模块;其次为了提升网络模型的识别精度,结合交叉熵损失、三元组损失、L2 正则化对残差网络的权值进行约束。 最 后在公开的步态数据集 CASIA-B 和 OU-ISIR Treadmill B 上进行实验,在携带背包或不同衣着条件下的识别率分别达到了 87. 5%、82. 6%,表明该模型对于衣着与携带背包的条件具有鲁棒性。     

利用动态步态图进行步态识别

基于轮廓的步态识别方法容易受行人的携带物、衣物等遮挡因素的影响。针对这一问题提出了动态步态图。动态步态图将步态轮廓图划分为动态部分和静态部分,更有利于提取受遮挡影响较小的动态步态信息。设计了双路步态识别网络(Bi-Route)提取步态特征,通过增加动态特征占比,稀释静态特征占比降低遮挡物的影响。网络以动态步态图为输入,使用二维卷积分别提取步态序列中的全局轮廓特征和帧级轮廓特征,使用三维卷积神经网络从帧级轮廓特征中提取动态特征。为了验证本方法的有效性,在CASIA-B数据集上进行了评估,在正常(NM)、背包(BG)、穿大衣(CL)条件下的准确率分别达到了92.9%、87.2%和65.6%。结果表明本方法可以降低遮挡、衣物和携带物等对识别准确率的影响。     

基于ICNet模型的人体步态识别研究

步态作为一种行为特征,具有非侵犯性高、伪装性低和远距离识别等特点,具有广阔的应用前景。在实际应用时,步态识别易受环境因素干扰,识别率低。本文提出了一种在胶囊网络中引入空间注意机制,提升有效步态特征在胶囊的权重,又通过反馈权重矩阵的设计,更新输入图像,从而获得网络性能提升的方法。该方法在CASIA-B数据集进行了大量的实验。在正常行走、带包行走、大衣行走三种不同的行走条件下,平均识别率分别达到93%,85%,67%。同时在OU-MVLP数据集上进行了多视角的步态识别实验,平均识别率达到了85%。     

融合轮廓增强和注意力机制的改进 GaitSet步态识别方法

针对传统基于轮廓的步态识别方法受限于输入特征及模型特征提取的能力,从而导致识别准确率不高的问题,提出一种融合轮廓增强和注意力机制的改进GaitSet步态识别方法。首先通过预处理获取行人的轮廓图,求得其均值,合成步态GEI能量图,将其作为神经网络模型的输入特征,增强了人体外观的表示。其次在提取特征的过程中引入注意力机制,增强模型的特征提取能力,从而提高步态识别的精度。最后在CASIA-B和OU-MVLP数据集上进行实验,所提方法的平均Rank-1准确率分别为87.7%和88.1%。特别是在最复杂的穿大衣行走条件下,相较于GaitSetv2算法,准确率提升了6.7%,表明所提出方法具有更强的准确性。此外,所提方法几乎没有增加额外的参数量、计算复杂度和推理时间,说明其各模块的快速性。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于集成Gabor特征的步态识别方法

步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图是一种有效的步态表征方法.通过提取步态能量图中的动态区域并利用Gabor小波变换对其特征提取,但经过Gabor变换后特征维数较高,必须经过有效的特征融合和选择。由此针对传统的Gabor特征提取后存在特征维数较高的缺点,提出了一种基于集成Gabor特征的步态识别方法。首先,采用均值融合和差分二值编码这两种集成方法,对动态区域Gabor特征图进行多尺度和多角度的集成,获得26张集成Gabor特征图;然后从26张集成Gabor特征图中选出4张作为最终的特征向量;最后将特征向量输入KNN分类器进行步态识别。实验结果表明,基于集成Gabor特征的步态识别方法,能够对步态特征进行有效分离和表达,同时降低维数并紧凑表征数据,对步态信息进行正确归类。     

基于多视角跨模态的电力现场作业行人重识别网络架构技术研究

可见光到红外光跨模态行人重识别目的是实现在白天和夜间环境下对行人身份的识别判断,在视频监控领域具有重要研究价值。因可见光和红外光成像原理的不同,给跨模态重识别问题带来了挑战。设计了一种新的网络结构,用于缓解模态间数据差异,提高行人重识别模型的精度。网络结构分为两部分:基于注意力的模态迁移模块嵌入特征网络的输入级,可缩小跨模态差异;基于分块的多粒度特征分解模块,同时考虑整体信息和局部信息并了提高有效信息的利用率。在公开数据集SYSU-MM01上,所提方法的累计匹配特性指标的rank1达到了56.45%,平均精确度指标达到了53.52%,比当前最佳方法(XIV,AAAI-2020)分别提高了6.53%和2.79%,有效提高了可见光到红外光跨模态行人重识别的性能。     

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。     

基于K-means的室内行人导航步态识别方法

针对室内行人导航系统中对步行姿态识别精度不高,从而会影响后续位置解算的的问题,提出了可应用于室内场景的基于K-means聚类算法的行人步态识别方法.该方法通过选取三轴加速度平方和的方差作为特征量,分步聚类优先识别慢跑状态,再完成对其他运动状态的识别.数据分析表明,该方法可以有效识别慢跑运动状态,识别率为100％.对其他...     

基于半监督生成对抗网络的毫米波雷达跨域手势识别

基于深度学习的毫米波雷达手势识别以其免接触、保护隐私和环境依赖性低等特点受到越来越多的关注。但是目前的学习方法大都采用全监督方法,其性能受限于雷达数据的获取和标注,且其学习样本都来源于单一环境,极大的影响了不同场景下的迁移能力,因此本文提出了一种基于半监督生成对抗网络的跨域手势识别方法。首先,通过数据预处理,提取动态混合特征时间图（DFTM）以消除环境干扰,并且对手势动态特征进行更加全面的表征;其次,结合毫米波信号特点进行数据增强,进一步扩充数据量,提高模型泛化能力;第三,针对实际应用中可获得的标记数据通常较少的问题,提出并构建了一个改进半监督生成对抗网络,在原始GAN的基础上增加了分类器,通过生成数据帮助提高分类器辨别能力,同时利用源域中的少量标记数据和目标域中的大量未标记数据,实现域无关的手势识别。实验结果表明,对于新用户、新环境和新位置的平均手势识别准确率分别达到 98.21%、95.23%和97.6%。与现有其他手势识别方法相比,本文所提方法在只有少量标记数据的情况下也能达到较高的跨域手势识别准确率,为后续毫米波雷达人机交互提供了新的研究思路。     

领域对抗与分类差异的变工况球磨机负荷识别

在变工况球磨机负荷识别过程中,针对域适应方法在源域和目标域的特征迁移中没有考虑目标域样本而导致域适应效果不好的问题,本文提出一种基于领域对抗与分类差异的域适应方法。该方法使用域对抗训练方式实现源域和目标域之间的特征的对齐;同时,引入两个分类器用于检测远离目标域中的样本,利用最大化和最小化分类器之间的不一致性,实现目标域和源域特征的自适应匹配,达到更好的域适应效果。为了验证训练分类器误差的方法能够考虑类内边界提高目标域上的负荷识别准确率,设计了迁移实验分析其差异损失函数对模型迁移性能的影响,实验表明,当分类器损失值大于0.02时预测模型的准确率会下降0.8%～1.2%,且较未引入分类器差异损失模型的负荷精度高,可达到95.78%。通过与两类经典的迁移方法进行对比,验证了该方法在变工况下磨机负荷识别应用中的优势。     

基于改进YOLOX-S的安全帽反光衣检测算法

在工业生产和交通工程中,安全帽和反光衣都是员工重要的生命安全保障。针对传统安全帽反光衣识别方法只能检测单一颜色反光衣、检测效率低的问题,提出一种基于改进YOLOX-S网络模型的安全帽反光衣检测方法。使用简化BiFPN模块替换原加强特征提取网络,提高网络对不同尺度的特征提取能力;使用Mosaic方法进行训练,提高网络在复杂场景下的检测能力;使用GIoU损失函数,进一步提高模型的识别准确率。在扩充后的安全帽反光衣数据集上实验表明,本文所提算法在保持较高推理速度的情况下,mAP达83.74%,与原YOLOX-S相比,对戴安全帽、穿反光衣和行人的检测AP值有1%~3%不等的提高,对反光衣颜色无依赖性,有效实现了快速准确的安全帽反光衣检测。     

Evaluating the Effect of Various Walking Conditions on KINECT-based Gait Recognition

Human gait is one of the unobtrusive behavioral biometrics that has been extensively studied for various commercial and government applications. Biometric security, medical rehabilitation, virtual reality, and autonomous driving cars are some of the fields of study that rely on accurate gait recognition. While majority of studies have been focused on achieving very high recognition performance on a specific dataset, different issues arise in the real-world applications of this technology. This research is one of the first to evaluate the effects of changing walking speeds and directions on gait recognition rates under various walking conditions. Dataset was collected using the KINECT sensor. To draw an overall conclusion about the effects of walking speed and direction to the sensor, we define distance features and angle features. Furthermore, we propose two feature fusion methods for person recognition. Results of the study provide insights into how walking speeds and walking directions to the KINECT sensor influence the accuracy of gait recognition.